爬蟲簡介(學習日志第一篇)

一、爬蟲介紹

爬蟲：一段自動抓取互聯網信息的程序，從互聯網上抓取對于我們有價值的信息。

二、Pyyhon爬蟲架構

Python 爬蟲架構主要由五個部分組成，分別是調度器、URL管理器、網頁下載器、網頁解析器、應用程序(爬取的有價值數據)。

調度器：相當于一臺電腦的CPU，主要負責調度URL管理器、下載器、解析器之間的協調工作。

URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復抓取URL和循環抓取URL，實現URL管理器主要用三種方式，通過內存、數據庫、緩存數據庫來實現。

網頁下載器：通過傳入一個URL地址來下載網頁，將網頁轉換成一個字符串，網頁下載器有urllib2(Python官方基礎模塊)包括需要登錄、代理、和cookie，requests(第三方包)

網頁解析器：將一個網頁字符串進行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據DOM樹的解析方式來解析。網頁解析器有正則表達式(直觀，將網頁轉成字符串通過模糊匹配的方式來提取有價值的信息，當文檔比較復雜的時候，該方法提取數據的時候就會非常的困難)、html.parser(Python自帶的)、beautifulsoup(第三方插件，可以使用Python自帶的html.parser進行解析，也可以使用lxml進行解析，相對于其他幾種來說要強大一些)、lxml(第三方插件，可以解析 xml 和 HTML)，html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。

應用程序：就是從網頁中提取的有用數據組成的一個應用。

圖示如下：

調度器是如何協調工作的

主要流程：首先調度器向url管理器詢問是否有待爬取的url地址，如果有，則rul管理器向調度器返回一個要爬去的url地址，調度器將傳入的url地址發送個下載器，下載器接收到后，開始下載網頁，并將下載好的網頁內容返回回調度器，調度器再將網頁內容傳送給解析器，解析器對網頁內容進行分析，將有用的信息和該頁面中的url地址再傳送回調度器，調度器將url列表傳給url管理器進行保存，將有價值的信息集合成一個應用，這就是一個完整爬蟲的整個流程。

————信息主要轉自《菜鳥教程》

本次更新于2018-9-11，更新人：小尹

總結

以上是生活随笔為你收集整理的python爬虫实训日志_Python学习学习日志——爬虫《第一篇》（BeautifulSoup）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。